/ Модель

Характеристики

Лицензия
MIT
Опубликована
7 дек 2025

Mini-LLM

Генерация текстаТекст → текст

Компактный англоязычный декодерный трансформер на 80 млн параметров для генерации текста и изучения устройства языковых моделей.

0скачиваний за 30 дней5лайковвеса обновлены8 дек 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Mini-LLM — авторская компактная языковая модель Avinash Mynampati: декодерный трансформер примерно на 80 млн параметров, обученный с нуля. Модель предназначена для изучения устройства LLM и экспериментов с предварительным обучением и генерацией текста.

В архитектуре используются 16 слоёв, токенизатор Byte-Level BPE с размером словаря 32 тыс. токенов, RoPE, RMSNorm, SwiGLU и attention на базе PyTorch SDPA; обучение проводилось на смешанном корпусе FineWeb, WikiText и Wikipedia. В README приведён контекст обучения 2048 токенов. Модель поддерживает генерацию текста на английском языке.

Модель не проходила instruction-tuning, поэтому не рассчитана на диалоговое следование инструкциям; из-за небольшого размера возможны слабые рассуждения и галлюцинации. Автор не рекомендует её для production. Лицензия — MIT.

Сценарии применения

  • эксперименты с генерацией английского текста
  • изучение архитектуры декодерного трансформера
  • обучение работе с RoPE, RMSNorm и SwiGLU
  • практика запуска языковой модели через Transformers

Ограничения

Модель не настроена на выполнение инструкций; из-за небольшого размера её рассуждения ограничены и возможны галлюцинации. README не рекомендует использовать её в production.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

🧠 Mini-LLM — 80M Parameter Transformer (Pretrained From Scratch)

MIT License Model Size

Mini-LLM is an 80M parameter decoder-only transformer trained fully from scratch using a custom tokenizer, custom architecture, and custom training loop.
It is designed as an educational + research-friendly minimal LLM that demonstrates how modern LLM components are built end-to-end.


✨ Key Features

  • 80M parameters — compact but fully functional LLM
  • Trained from scratch (no borrowed checkpoints)
  • Custom Byte-Level BPE tokenizer (32k vocab)
  • Modern architecture components:
    • RoPE (Rotary Position Embeddings)
    • RMSNorm
    • SwiGLU FeedForward layer
    • FlashAttention (via PyTorch SDPA)
    • GQA-ready Attention implementation
  • 2B tokens mixed corpus (FineWeb + WikiText + Wikipedia)
  • Training logs, checkpoints, plots all included for transparency
  • Released under a permissive license for research & learning

📐 Model Architecture

ComponentValue
TypeDecoder-only transformer
Parameters~80M
Layers16
Embedding dim384
Attention heads6
KV Heads6
MLP Hidden Dim1536 (SwiGLU)
Max sequence length2048
NormRMSNorm
Positional EncodingRoPE
TokenizerSentencePiece BPE (32k vocab, byte fallback)

📦 Files in This Repo

  • checkpoints/ → Pretrained model state_dict + optimizer
  • safetensors/ → Final consolidated .safetensors file
  • logs/ → Training logs in JSONL
  • plots/ → Train/val loss curves
  • tokenizer.json → HF-compatible tokenizer
  • spm.model → SentencePiece model

🧪 Quick Usage (HF Transformers)

from transformers import AutoTokenizer, AutoModelForCausalLM

model = AutoModelForCausalLM.from_pretrained("Ashx098/Mini-LLM", trust_remote_code=True)
tok = AutoTokenizer.from_pretrained("Ashx098/Mini-LLM")

prompt = "Hello, how are you?"
inputs = tok(prompt, return_tensors="pt")

outputs = model.generate(**inputs, max_new_tokens=50)
print(tok.decode(outputs[0], skip_special_tokens=True))

🚀 Training Details

Optimizer

  • AdamW (β1=0.9, β2=0.95, weight decay=0.1)
  • Learning rate: 6e-4 (cosine annealing + warmup)

Batch ⨉ Sequence

  • Global batch size = 32
  • Sequence length = 2048
  • Gradient accumulation = 8

Hardware

  • Trained on 1× NVIDIA A100 80GB

📊 Training Curve

Final loss reached: ~3.25

💬 Example Outputs

Prompt: "Hello, how are you" Output: "Hello, how are you?"

Prompt: "Python is a programming language that" Output: "Python is a programming language that allows the history..."

⚠️ Limitations

  • Small model → limited reasoning, hallucination likely
  • Not instruction-tuned
  • Not suitable for production usage
  • Best viewed as a learning + research artifact

📜 License

MIT License — free for research, modification, and further training.

🙌 Credits

Developed by Avinash Mynampati
Built from scratch using PyTorch + custom training pipeline.

Want to fine-tune or extend it?

You can:

  • Train further with your own dataset
  • Add LoRA adapters
  • Use it to learn attention, RoPE, SwiGLU, etc.
  • Build a tiny instruction-tuned version (coming soon!)

📬 Contact

For questions or collaborations:

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет весов в формате PyTorch/safetensors.

Ревизия весов
a6534e0

0 моделей